Stampa 3D FFF: l’intelligenza artificiale cerca il miglior compromesso tra precisione e qualità dei legami
Individuare i parametri corretti per una stampante 3D FFF è un problema più complesso di quanto possa sembrare. Temperatura dell’ugello, velocità di deposizione e altezza dello strato interagiscono fra loro e una modifica che migliora una caratteristica del componente può contemporaneamente peggiorarne un’altra.
Un gruppo di ricercatori della Vanderbilt University e del National Institute of Standards and Technology (NIST) ha sviluppato un metodo basato su reti neurali bayesiane e ottimizzazione multi-obiettivo per affrontare questo problema considerando un elemento che molte procedure di calibrazione tendono a trascurare: l’incertezza.
Il lavoro è stato condotto da Berkcan Kapusuzoglu, Paromita Nath, Matthew Sato, Sankaran Mahadevan e Paul Witherell.
Lo studio è tornato all’attenzione del settore nell’agosto 2026 dopo essere stato reso disponibile su arXiv, ma la ricerca era stata originariamente pubblicata nel 2022 sull’ASCE-ASME Journal of Risk and Uncertainty in Engineering Systems, Part B: Mechanical Engineering.
L’obiettivo rimane particolarmente attuale: non individuare semplicemente una combinazione di parametri che abbia prodotto un ottimo campione una volta, ma trovare condizioni di processo capaci di produrre parti di buona qualità anche quando macchina, materiale e ambiente introducono inevitabilmente piccole variazioni.
Non esiste necessariamente un unico profilo di stampa migliore
Nella stampa FFF è comune parlare di un “profilo ottimale” per un determinato materiale.
La realtà industriale è più complicata.
Una temperatura dell’ugello più elevata può aumentare la fusione e la diffusione delle catene polimeriche fra filamenti adiacenti, migliorando il legame interno del componente.
La stessa temperatura può però favorire deformazioni geometriche o aumentare la quantità di materiale depositato in determinate condizioni.
Ridurre l’altezza dello strato può migliorare precisione e finitura, ma aumenta il numero di passaggi necessari e quindi il tempo di produzione.
Aumentare la velocità riduce teoricamente il tempo macchina, ma cambia il tempo disponibile per riscaldamento, deposizione e adesione del materiale.
Di conseguenza, la combinazione migliore dipende dalla funzione del pezzo.
Per una dima dimensionale potrebbe essere fondamentale mantenere una determinata tolleranza.
Per un componente strutturale potrebbe invece essere più importante ottenere una buona adesione fra i filamenti.
Un produttore potrebbe infine essere disposto ad accettare una piccola perdita di precisione se questo permette di aumentare significativamente la produttività.
Il gruppo di Vanderbilt University e NIST affronta quindi il problema come una ottimizzazione multi-obiettivo, invece di cercare una singola risposta assoluta.
Due parametri di qualità: precisione geometrica e legame tra filamenti
I ricercatori hanno scelto due caratteristiche fondamentali del componente FFF.
La prima è la precisione geometrica.
In particolare, il gruppo ha confrontato lo spessore reale del componente stampato con uno spessore nominale di 4,2 mm.
Più piccola è la differenza fra questi valori, migliore è l’accuratezza geometrica.
La seconda caratteristica è la qualità del legame fra filamenti adiacenti.
Durante la deposizione FFF, ogni linea di materiale fuso deve aderire a quelle vicine e agli strati precedenti.
Il materiale appena estruso entra in contatto con quello già presente, trasferisce calore e, se le condizioni sono adeguate, si crea progressivamente una zona di collegamento.
La dimensione di questa zona può essere utilizzata come indicatore della qualità del legame.
Un collegamento insufficiente può favorire vuoti, delaminazione e riduzione delle proprietà meccaniche.
La resistenza di una parte FFF dipende anche da ciò che accade fra una linea e l’altra
Questo aspetto è fondamentale per comprendere perché la stampa FFF produca spesso componenti anisotropi.
Un pezzo lavorato dal pieno può presentare proprietà relativamente uniformi nelle varie direzioni.
Un componente FFF è invece costruito attraverso migliaia di linee di materiale depositate una dopo l’altra.
Le interfacce fra queste linee e fra gli strati costituiscono potenziali zone più deboli.
Quando un carico viene applicato nella direzione nella quale queste interfacce devono sopportare la sollecitazione, la resistenza può essere inferiore rispetto alla direzione parallela alle linee estruse.
La qualità del legame diventa quindi una caratteristica fondamentale del processo.
Ottimizzare esclusivamente l’aspetto esterno o le dimensioni della parte rischierebbe di ignorare ciò che accade all’interno.
Esperimenti reali con ABS
Per costruire il modello, i ricercatori non hanno utilizzato soltanto simulazioni.
Sono stati realizzati componenti fisici in ABS, acrilonitrile-butadiene-stirene.
La stampante è stata collocata all’interno di un involucro per ridurre l’influenza delle condizioni ambientali.
La scelta è significativa perché l’ABS è particolarmente sensibile ai gradienti termici.
Un raffreddamento non uniforme può provocare contrazioni, sollevamento degli angoli e deformazioni del componente.
Anche in un ambiente controllato, tuttavia, rimane una certa variabilità intrinseca del processo.
Ed è proprio questa variabilità che il modello deve imparare a considerare.
Tre parametri modificati durante le prove
Il piano sperimentale prende in considerazione tre variabili principali:
- temperatura dell’ugello;
- velocità di deposizione;
- altezza dello strato.
La temperatura dell’ugello è stata variata da 215 a 280 °C.
La velocità di deposizione è stata modificata fra 25 e 45 mm/s.
Per l’altezza dello strato sono stati scelti tre valori: 0,42, 0,60 e 0,70 mm.
Le altezze possono apparire elevate rispetto ai valori normalmente associati a una stampante desktop con ugelli piccoli, ma vanno lette nel contesto dello specifico apparato sperimentale e della geometria utilizzata.
Il componente aveva uno spessore obiettivo di 4,2 mm, quindi le altezze selezionate permettevano di ottenere un numero intero di layer.
25 configurazioni invece di provare ogni possibile combinazione
Esplorare tutte le possibili combinazioni di temperatura, velocità e altezza layer sarebbe rapidamente diventato costoso.
I ricercatori hanno quindi utilizzato il Latin Hypercube Sampling, un metodo statistico progettato per distribuire gli esperimenti in maniera efficiente all’interno dello spazio dei parametri.
Sono state selezionate 25 differenti combinazioni.
Per ciascuna configurazione sono stati stampati tre componenti.
In totale, quindi, la base sperimentale iniziale comprendeva 75 pezzi.
Questa strategia permette di raccogliere informazioni da zone differenti dello spazio di processo senza dover eseguire migliaia di prove.
È uno degli aspetti che rende particolarmente interessante l’utilizzo del machine learning nella manifattura additiva.
Misurare soltanto il valore medio non è sufficiente
Supponiamo che tre pezzi vengano prodotti con esattamente gli stessi parametri.
Il primo misura 4,18 mm.
Il secondo 4,21 mm.
Il terzo 4,25 mm.
La configurazione potrebbe avere una media molto vicina al valore nominale.
Consideriamo però un’altra configurazione che produca sempre valori compresi fra 4,19 e 4,21 mm.
Anche se il valore medio delle due configurazioni fosse identico, la seconda sarebbe probabilmente preferibile per una produzione industriale perché presenta una variabilità inferiore.
Questo è uno dei principi centrali dello studio.
Ottimizzare la media non equivale a ottimizzare l’affidabilità del processo.
I ricercatori cercano quindi di ottimizzare contemporaneamente prestazioni medie e dispersione dei risultati.
L’incertezza aleatoria rappresenta la variabilità reale del processo
Lo studio distingue due principali categorie di incertezza.
La prima è l’incertezza aleatoria.
È la variabilità che deriva dalla natura stessa del processo.
Anche impostando gli stessi parametri, due stampe non saranno mai perfettamente identiche.
Il diametro reale del filamento può variare leggermente.
La temperatura effettiva dell’ugello può oscillare.
Il comportamento termico del materiale può cambiare.
Piccole differenze nella deposizione possono accumularsi.
Le condizioni ambientali possono essere leggermente differenti.
È impossibile eliminare completamente questa componente.
Si può però sviluppare un processo che sia meno sensibile alle sue conseguenze.
L’incertezza epistemica nasce invece da ciò che il modello non conosce
La seconda categoria viene definita incertezza epistemica.
In questo caso l’incertezza non è necessariamente presente nel processo fisico, ma nella conoscenza che ne possediamo.
Un modello addestrato con pochi dati conoscerà bene alcune zone dello spazio sperimentale e molto meno altre.
Se, per esempio, sono disponibili molti campioni intorno a 230 °C e quasi nessuno vicino a 275 °C, la previsione del modello nella seconda zona dovrebbe essere considerata meno affidabile.
Una normale rete neurale tende però a restituire semplicemente una previsione.
Potrebbe indicare:
“spessore previsto: 4,19 mm”.
La cifra sembra precisa, ma non dice se il modello sia molto sicuro oppure stia estrapolando da pochissime informazioni.
È qui che entrano in gioco le reti neurali bayesiane.
Una rete neurale bayesiana fornisce anche una misura della propria incertezza
Una rete neurale convenzionale utilizza valori deterministici per i pesi che collegano i vari neuroni.
Nel modello bayesiano questi pesi vengono trattati attraverso distribuzioni probabilistiche.
Il risultato non è quindi soltanto una previsione puntuale.
Il sistema può stimare anche una distribuzione dei risultati plausibili.
In termini semplificati, invece di dire:
“con questi parametri il risultato sarà 4,20 mm”,
può fornire un’informazione più simile a:
“il valore previsto è vicino a 4,20 mm, con questa determinata distribuzione di probabilità”.
Per un processo industriale questa informazione aggiuntiva può essere più importante del semplice valore medio.
Monte Carlo Dropout per rendere gestibile il calcolo
Eseguire un’inferenza bayesiana completa su una rete neurale complessa può richiedere una potenza di calcolo molto elevata.
Il gruppo utilizza quindi una tecnica chiamata Monte Carlo Dropout.
Durante l’addestramento delle reti neurali viene spesso utilizzato il dropout: alcuni neuroni vengono esclusi casualmente durante le iterazioni per evitare che il modello dipenda eccessivamente da determinate connessioni.
Normalmente il dropout viene disattivato quando il modello effettua una previsione definitiva.
Nel Monte Carlo Dropout viene invece mantenuto attivo.
Lo stesso input viene quindi elaborato numerose volte con configurazioni leggermente differenti della rete.
La distribuzione dei risultati permette di stimare l’incertezza epistemica del modello.
Il vantaggio è ottenere un’approssimazione bayesiana mantenendo un costo computazionale relativamente vicino a quello di una rete neurale tradizionale.
Due reti separate per due caratteristiche differenti
I ricercatori hanno costruito due BNN distinte.
Una predice la lunghezza del legame fra filamenti.
L’altra predice lo spessore del componente.
Gli input non comprendono soltanto temperatura, velocità e altezza layer.
Entrano nel modello anche le coordinate spaziali delle misure.
Per il legame fra filamenti vengono considerate temperatura dell’ugello, velocità, altezza layer e posizione all’interno della sezione.
Per lo spessore vengono utilizzati gli stessi parametri di processo insieme alla posizione nella quale viene effettuata la misura.
Questa scelta è importante perché una parte FFF non è necessariamente uniforme in ogni punto.
Le condizioni termiche possono cambiare durante la deposizione e alcune zone possono manifestare comportamenti differenti.
Un sensore laser Keyence misura lo spessore
Per valutare la precisione geometrica, il gruppo ha utilizzato un sensore laser Keyence LK-H057.
Le misure sono state effettuate in cinque differenti posizioni lungo l’asse Z, a 7, 12, 17, 22 e 27 mm.
In ogni posizione sono stati acquisiti diversi punti lungo l’asse X.
I valori sono stati successivamente mediati per determinare lo spessore del componente.
L’utilizzo di una misura strumentale distribuita sulla superficie permette di ottenere una valutazione molto più significativa rispetto a una singola lettura effettuata con un calibro.
Microscopia e ImageJ per osservare i legami interni
La seconda misura ha richiesto invece l’analisi della sezione del componente.
I campioni sono stati sezionati e osservati attraverso microscopia.
Le immagini sono state elaborate mediante ImageJ, il software scientifico di analisi delle immagini sviluppato nell’ecosistema del National Institutes of Health.
I ricercatori hanno misurato la lunghezza delle zone di legame fra filamenti adiacenti.
Questa procedura ha permesso di osservare direttamente fenomeni che dall’esterno del pezzo non sarebbero necessariamente visibili.
In un campione prodotto a 227 °C, 41 mm/s e 0,60 mm di altezza layer, per esempio, sono state individuate zone di delaminazione fra determinati filamenti.
Lo stesso difetto è comparso nelle altre repliche prodotte con identici parametri.
La qualità interna può quindi essere scarsa anche quando il pezzo sembra corretto
È una lezione importante per l’utilizzo industriale della stampa FFF.
Una parte può presentare dimensioni esteriori apparentemente corrette e contemporaneamente contenere interfacce insufficientemente saldate.
Viceversa, una parte con ottimi legami interni può avere un errore dimensionale incompatibile con l’applicazione prevista.
Per questo motivo cercare un solo indicatore di qualità è spesso insufficiente.
Il metodo sviluppato dai ricercatori cerca invece di rappresentare contemporaneamente più obiettivi.
Il 75% dei dati viene utilizzato per addestrare i modelli
I dati sperimentali sono stati suddivisi fra addestramento e verifica.
Il 75% è stato utilizzato per il training delle reti neurali.
Il restante 25% è stato riservato al test.
Prima dell’addestramento, input e output sono stati normalizzati.
I parametri interni delle reti, fra cui learning rate, batch size e dropout, sono stati selezionati attraverso una grid search.
Per entrambe le reti il dropout ottimale è risultato pari a 0,1.
Il modello dedicato ai legami utilizza una funzione di attivazione ReLU e un learning rate di 0,004.
Quello destinato allo spessore utilizza una funzione sigmoid e un learning rate di 0,005.
In entrambi i casi viene utilizzato l’ottimizzatore Adam.
Il passo successivo è cercare i compromessi, non un vincitore assoluto
Una volta disponibili le reti capaci di stimare qualità e incertezza, i ricercatori possono esplorare virtualmente un gran numero di configurazioni.
È qui che il lavoro passa dalla previsione alla progettazione del processo.
Sono stati formulati quattro differenti problemi.
Nel primo viene cercata una buona qualità del legame minimizzandone contemporaneamente la variabilità.
Nel secondo vengono ottimizzati errore geometrico e relativa variabilità.
Nel terzo vengono confrontate direttamente qualità media del legame e precisione geometrica media.
Nel quarto entrano contemporaneamente quattro obiettivi:
qualità media del legame;
variabilità del legame;
errore geometrico medio;
variabilità geometrica.
La scelta finale dipende quindi dalle priorità dell’utilizzatore.
Il metodo utilizza NSGA-II per costruire il fronte di Pareto
Un dettaglio tecnico importante è che lo studio non utilizza propriamente la Bayesian Optimization come algoritmo finale di ricerca dei parametri.
La componente bayesiana riguarda soprattutto le Bayesian Neural Networks utilizzate per prevedere i risultati e quantificare l’incertezza.
Per l’ottimizzazione multi-obiettivo i ricercatori utilizzano invece NSGA-II, Non-dominated Sorting Genetic Algorithm II.
NSGA-II appartiene alla famiglia degli algoritmi evolutivi.
Genera una popolazione di possibili soluzioni e la fa evolvere attraverso selezione, crossover e mutazione.
Le configurazioni migliori vengono progressivamente mantenute e raffinate.
Il risultato non è necessariamente una singola soluzione.
È un insieme di configurazioni definite Pareto ottimali.
Che cos’è un fronte di Pareto
Il concetto può essere spiegato con un esempio.
Supponiamo di avere tre profili.
Il profilo A offre la migliore precisione dimensionale ma una qualità del legame media.
Il profilo B produce legami molto migliori sacrificando una piccola quantità di precisione.
Il profilo C è peggiore di B sia nella precisione sia nella qualità del legame.
C può essere eliminato perché esiste una configurazione migliore sotto entrambi gli aspetti.
A e B, invece, rimangono entrambi validi.
Passare da uno all’altro richiede necessariamente di migliorare una caratteristica sacrificandone un’altra.
Questi punti appartengono al fronte di Pareto.
Non esiste quindi una risposta matematicamente universale.
La scelta dipende dalle esigenze del componente.
Un produttore di dime può scegliere diversamente da un produttore di componenti strutturali
È proprio questo uno dei vantaggi più concreti del metodo.
Un’impresa che produce dime per assemblaggio potrebbe selezionare una zona del fronte di Pareto nella quale l’errore dimensionale è minimo.
Un produttore di supporti strutturali potrebbe preferire una configurazione con maggiore qualità del legame.
Un terzo utilizzatore potrebbe voler minimizzare soprattutto la variabilità fra un lotto e quello successivo.
Il sistema non dice semplicemente quale profilo sia “migliore”.
Mostra quali compromessi sono disponibili e quanto costa, in termini di una caratteristica, migliorare l’altra.
Il layer da 0,42 mm risulta favorito nei test
Dall’analisi emergono comunque alcune tendenze.
Le migliori prestazioni medie sia per precisione geometrica sia per qualità dei legami vengono ottenute con la più piccola delle tre altezze di strato analizzate, cioè 0,42 mm.
È un risultato abbastanza coerente con il comportamento noto della tecnologia FFF.
Layer più sottili permettono normalmente una deposizione più controllata e un maggiore numero di interfacce distribuite lungo la stessa altezza.
L’effetto degli altri parametri risulta però meno immediato.
Temperature più alte tendono a migliorare entrambe le caratteristiche
L’analisi delle correlazioni mostra che l’aumento della temperatura dell’ugello tende, nell’intervallo studiato, a migliorare sia la qualità media del legame sia la precisione geometrica.
La spiegazione della qualità del legame è relativamente intuitiva.
Il materiale depositato a temperatura maggiore rimane per più tempo in una condizione favorevole alla diffusione delle catene polimeriche.
Le linee adiacenti possono quindi fondersi più efficacemente.
Questo risultato non significa però che sia possibile aumentare indefinitamente la temperatura.
L’intervallo analizzato termina a 280 °C e temperature troppo elevate possono degradare il polimero o introdurre altri difetti.
Ogni conclusione deve quindi rimanere all’interno dello spazio sperimentale utilizzato.
La velocità ha mostrato un’influenza meno marcata
Nel modello studiato, la velocità dell’ugello ha mostrato una correlazione più debole con gli obiettivi rispetto a temperatura e altezza dello strato.
Le soluzioni ottimali tendono comunque, in diversi casi, verso temperature più elevate e velocità più basse.
Una velocità inferiore concede più tempo al materiale per depositarsi e trasferire calore alle linee circostanti.
Ma ridurre la velocità significa naturalmente aumentare il tempo macchina.
Il lavoro non ottimizza direttamente la produttività come terzo obiettivo principale, ma proprio questa considerazione mostra quanto il metodo possa essere ampliato.
In un ambiente produttivo potrebbero essere inseriti anche tempo di ciclo, consumo energetico e costo del componente.
È stato imposto anche un limite alla portata volumetrica
Il modello non permette all’algoritmo di scegliere configurazioni fisicamente irrealistiche.
La portata volumetrica viene limitata a 24 mm³/s.
Il vincolo collega velocità, altezza dello strato e larghezza della deposizione.
È un dettaglio importante perché un algoritmo di ottimizzazione puro potrebbe altrimenti individuare una soluzione matematicamente interessante ma incompatibile con la capacità dell’estrusore.
L’integrazione di vincoli fisici è quindi essenziale quando il machine learning viene utilizzato per controllare processi produttivi reali.
Circa dieci minuti per eseguire una delle ottimizzazioni
Uno dei vantaggi del modello surrogato è la velocità.
Una volta addestrate le reti neurali, non è necessario stampare fisicamente ogni configurazione candidata.
L’algoritmo può interrogare il modello migliaia di volte.
Nella configurazione hardware utilizzata dagli autori, una singola ottimizzazione richiedeva mediamente circa dieci minuti.
Il computer impiegato disponeva di una CPU Intel Xeon E5-1660 v4 a 3,20 GHz, 32 GB di RAM e una GPU NVIDIA Quadro K620.
Il dato appartiene a una piattaforma hardware ormai datata e mostra quanto il carico computazionale sia relativamente contenuto rispetto al costo di realizzare fisicamente centinaia di campioni.
I risultati sono stati confrontati anche con 10.000 simulazioni Monte Carlo
Per verificare la qualità delle soluzioni ottenute tramite NSGA-II, il gruppo ha effettuato anche un confronto con un campionamento Monte Carlo.
Sono state generate 10.000 combinazioni casuali di parametri all’interno dello spazio di progettazione.
Le reti neurali hanno previsto le relative prestazioni.
I fronti di Pareto trovati attraverso l’ottimizzazione risultavano coerenti con la distribuzione ottenuta mediante il campionamento Monte Carlo.
Questo confronto è importante perché aiuta a dimostrare che l’algoritmo non stava semplicemente convergendo verso un insieme arbitrario di soluzioni locali.
Ma la verifica decisiva è stata fatta stampando altri pezzi
Il gruppo non si è fermato alle simulazioni.
Per ciascuno dei quattro scenari di ottimizzazione sono stati selezionati tre punti del fronte di Pareto.
Ogni configurazione è stata quindi verificata attraverso esperimenti fisici.
Per ciascun punto sono stati prodotti cinque campioni.
Le previsioni del modello sono state confrontate con le osservazioni attraverso test statistici.
Per tutti i punti selezionati i valori di p risultavano superiori alla soglia di significatività di 0,05, quindi non emergeva una differenza statisticamente significativa fra valori previsti e osservazioni sperimentali.
Il modello è stato quindi capace, all’interno delle condizioni analizzate, di prevedere correttamente le caratteristiche dei componenti ottimizzati.
Le configurazioni ottimali hanno battuto undici impostazioni casuali
I ricercatori hanno svolto anche un secondo tipo di verifica.
Sono state selezionate undici ulteriori configurazioni casuali di temperatura, velocità e altezza dello strato.
I relativi componenti sono stati stampati e misurati.
I risultati sono stati confrontati con una configurazione individuata attraverso l’ottimizzazione multi-obiettivo dedicata contemporaneamente a precisione e legame.
I pezzi ottenuti mediante le impostazioni ottimizzate hanno mostrato risultati migliori rispetto alle configurazioni casuali per entrambe le caratteristiche considerate.
Questo passaggio è particolarmente importante perché dimostra che l’approccio non produce soltanto grafici convincenti, ma riesce a individuare parametri utilizzabili su una macchina reale.
Il punto più interessante è la robustezza, non il massimo teorico
La differenza fra questa impostazione e una normale procedura di tuning può sembrare sottile, ma è fondamentale per la produzione industriale.
Una calibrazione tradizionale potrebbe trovare la configurazione che ha prodotto il miglior campione durante una serie di prove.
Una robust design optimization cerca invece una configurazione che produca risultati buoni e poco variabili.
Un processo leggermente meno performante nella migliore delle condizioni può essere industrialmente preferibile se genera risultati molto più prevedibili.
Per una produzione in serie, infatti, il pezzo migliore del lotto ha un’importanza limitata.
Conta quanti componenti rimangono entro specifica.
Dal profilo di slicing alla finestra di processo
Questo approccio suggerisce anche un modo differente di concepire i profili delle stampanti 3D.
Oggi molti slicer propongono configurazioni come:
“qualità”;
“standard”;
“veloce”;
“resistente”.
Sono profili costruiti a partire da una combinazione predeterminata di parametri.
Un sistema evoluto potrebbe invece chiedere all’utente requisiti misurabili.
Per esempio:
errore dimensionale massimo 0,1 mm;
determinata qualità minima di legame;
tempo di produzione inferiore a una determinata soglia;
probabilità minima di rispettare i requisiti pari al 99%.
Il software potrebbe quindi individuare una finestra di processo nella quale queste condizioni risultano statisticamente raggiungibili.
Questo sarebbe molto più vicino al modo in cui vengono qualificati i processi manifatturieri industriali.
Due stampanti nominalmente identiche non sono necessariamente identiche
La gestione dell’incertezza diventa ancora più importante quando il metodo viene applicato a un parco macchine.
Due stampanti dello stesso modello possono presentare piccole differenze.
Termistori, heater, meccanica, ugelli e sistemi di trascinamento del filamento possiedono tolleranze produttive.
Con il passare del tempo, usura e manutenzione introducono ulteriori variazioni.
Anche due bobine nominalmente identiche possono assorbire quantità differenti di umidità o mostrare piccole differenze nel materiale.
Un sistema capace di modellare non soltanto il valore medio ma anche la sua incertezza potrebbe essere utilizzato per costruire profili specifici per macchina e materiale.
La direzione della ricerca sta andando verso la calibrazione automatica
Il lavoro di Vanderbilt University e NIST si inserisce in una linea di ricerca che negli anni successivi ha continuato a svilupparsi.
Nel 2025, per esempio, un altro studio pubblicato su Advanced Intelligent Systems ha combinato computer vision e multitask Bayesian optimization per calibrare automaticamente stampanti FFF.
Il metodo è stato verificato con quattro tipi di filamento e due differenti stampanti.
Gli autori hanno riportato, rispetto a un benchmark basato sulle impostazioni del produttore, un miglioramento medio del 32,2% nella qualità insieme a una riduzione del 31,2% del tempo necessario a completare il processo di calibrazione e stampa considerato nel confronto.
Il dato appartiene a un’altra ricerca e non deve essere confuso con i risultati dell’esperimento di Vanderbilt e NIST, ma mostra la stessa direzione: trasformare la calibrazione da attività manuale a processo guidato dai dati.
Sensori e AI potrebbero chiudere completamente il ciclo
Il passo successivo è relativamente facile da immaginare.
La stampante potrebbe misurare automaticamente il processo durante la costruzione.
Telecamere potrebbero valutare geometria e difetti.
Sensori termici potrebbero controllare temperatura e raffreddamento.
Sistemi laser potrebbero misurare la superficie appena depositata.
Le informazioni raccolte verrebbero trasferite a un modello probabilistico.
Il sistema potrebbe quindi correggere parametri durante la produzione oppure aggiornare il profilo per il componente successivo.
In questo scenario si passerebbe da:
stampa → misura → intervento dell’operatore
a:
stampa → misura → apprendimento → correzione automatica.
È uno dei percorsi possibili verso una vera produzione FFF a circuito chiuso.
Non significa che l’operatore diventi inutile
Un sistema di questo tipo non elimina però la necessità di conoscere il processo.
La selezione degli obiettivi rimane una decisione ingegneristica.
L’algoritmo può mostrare che un determinato aumento di precisione comporta una riduzione della qualità del legame.
Non può stabilire autonomamente quale delle due caratteristiche sia più importante per il prodotto finale senza ricevere requisiti adeguati.
Lo stesso vale per la definizione dello spazio sperimentale.
Un modello addestrato fra 215 e 280 °C non può essere considerato automaticamente affidabile a 300 °C.
Una rete addestrata sull’ABS non può trasferire senza verifica le proprie conclusioni a PLA, PETG, PEEK o materiali compositi.
L’intelligenza artificiale non sostituisce quindi la conoscenza del materiale e della macchina.
Può però rendere molto più efficiente la ricerca all’interno di uno spazio di processo definito correttamente.
Un metodo interessante soprattutto per l’industrializzazione della FFF
Per un utilizzatore domestico, eseguire qualche torre di temperatura e modificare manualmente velocità o flow può essere sufficiente.
Il problema cambia completamente quando una stampante produce componenti finali.
Un’azienda deve sapere non soltanto che una determinata configurazione “funziona”, ma con quale variabilità funziona.
Se la tolleranza richiesta è ±0,2 mm, la domanda utile non è:
“qual è stato il miglior valore ottenuto?”
La domanda è:
“con quale probabilità i prossimi cento componenti rimarranno entro ±0,2 mm?”
È precisamente questo cambio di prospettiva che rende interessanti le tecniche probabilistiche.
Dal trial-and-error a un processo statisticamente controllato
Il lavoro di Vanderbilt University e NIST mostra quindi una possibile evoluzione della calibrazione FFF.
Il tradizionale approccio per tentativi ed errori viene sostituito da una sequenza più strutturata:
si raccolgono dati sperimentali;
si costruiscono modelli predittivi;
si quantifica l’incertezza;
si definiscono diversi obiettivi di qualità;
si costruisce il fronte di Pareto;
si selezionano le configurazioni più adatte all’applicazione;
infine, le configurazioni vengono validate sperimentalmente.
La parte più importante non è probabilmente la specifica temperatura individuata nello studio.
Quelle impostazioni valgono per la macchina, il materiale e la geometria analizzati.
Il contributo più generale è il metodo.
Un processo FFF non deve necessariamente avere un unico “profilo perfetto”.
Può avere invece una regione di funzionamento robusta, all’interno della quale il produttore sceglie il compromesso più appropriato fra precisione, proprietà meccaniche, produttività e affidabilità.
Con l’aumento dell’utilizzo della stampa FFF per componenti finali, questa distinzione diventa sempre più importante.
Il futuro della calibrazione potrebbe quindi consistere meno nel trovare l’impostazione che produce il pezzo migliore e più nel trovare quella che produce continuamente pezzi sufficientemente buoni, con una probabilità conosciuta e una variabilità controllata.
Ed è su questo passaggio dalla singola stampa riuscita al processo produttivo prevedibile che reti neurali bayesiane, ottimizzazione multi-obiettivo e monitoraggio automatico possono fornire il contributo più significativo.
“Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)”
